机器学习模型效果之Roc、Auc

ROC曲线。
其定义是:接收者操作特性曲线(receiver operating characteristic curve),它通过将连续变量设定出多个不同的临界值,从而计算出一系列真正率和假正率,再以假正率为纵坐标、真正率为横坐标绘制成曲线,曲线下面积越大,诊断准确性越高。在ROC曲线上,最靠近坐标图左上方的点为假正率和真正率均较高的临界值。
ROC关注两个指标
True Positive Rate ( TPR ) = TP / [ TP + FN] ,TPR代表能将正例分对的概率
False Positive Rate( FPR ) = FP / [ FP + TN] ,FPR代表将负例错分为正例的概率
上面的话不太好看懂,需要了解的事情就是——ROC曲线下面的面积(积分)就是AUC的值。
为啥要用AUC呢?传统比较常用的ACC(准确度)为啥不用呢? 在互联网广告里面,点击的数量是很少的,一般千分之几,如果用acc,全部预测成负类(不点击)acc也有99%以上,根本无法评价。 其实最好的评估办法是ABtest,但是ABtest是直接小流量上线,工作量大,再说线上系统又不能没事老折腾,所以一个model要ABtest的话,这个model务必要是评价过是有好效果的。

发布了114 篇原创文章 · 获赞 18 · 访问量 3万+

猜你喜欢

转载自blog.csdn.net/WangYouJin321/article/details/104002613
今日推荐